一致点漂移算法

CPD算法原理描述 

一致点漂移算法（CoherentPointDrift，CPD）利用高斯混合模型将两个点集的配准问题转化为概率密度函数的参数估计问题，设其中一个点集中的各点代表高斯混合模型（GaussianMixtureModels，GMM）中各个高斯分量的质心（待配准点集），另一个点集代表高斯混合模型所生成的观测样本数据（参考点集）。

GMM概率密度函数可以理解为各个高斯分量的概率密度的加权和。

该算法的核心是使待配准点集中各点的GMM质心具有运动一致性，在移动过程中群体的拓扑结构保持不变。

假设给定两组点集，其中目标点集为X_N×D=(x_1,⋯,x_N)^T，表示观测数据；源点集为Y_M×D=(y_1,⋯,y_M)^T，作为GMM各高斯分量的质心；T(Y,θ)表示Y的空间变换模型，θ为空间变换模型的参数集合。N、M、D分别表示两组点集的数目和维度。

CPD算法中，将Y视为GMM的各个分模型的质心（高斯模型的中心），X中的数据点视为该模型产生的观测样本。由多个高斯模型进行线性加权构成的GMM概率密度函数可以表示为：

其中：p(x│m)表示GMM中第m个高斯分量的概率密度函数，其表示为

待配准点集中可能存在噪声点及离群点等情况，并将这些点看作均匀分布。在高斯混合模型中增加一个均匀分布项p(x│M+1)=1/N。对于上述所定义的GMM，设其协方差为各向同性σ^2。设GMM各个分量的概率均相同，即P(m)=1/M(m=1,⋯,M)。分配权重系数ω(0≤ω≤1)给噪声点和离群点的均匀分布，从而得到了加权GMM的概率密度函数：

基于空间变换估计的配准算法目的是获得最优的空间变换模型参数，通过该模型使坐标变换后，将待配准的点集中的各点准确的配准到目标点集中的对应点。

在两个点集逐渐靠拢的过程中，点集之间匹配点对的距离逐渐减小，因此GMM模型的协方差σ^2也应作为参数作相应的调整。在整个配准过程中需要求解的总参数集合为(θ,σ^2)。根据GMM概率密度函数参数估计原理，求参数(σ^2)可以通过求解最大似然函数或者最小化负对数似然函数实现。最小化负对数似然函数可以表示为：

其中数据满足独立同分布的假设。将源点集和目标点集的匹配概率看作是基于参考点集观测数据GMM质心的后验概率：

对应待求参数集合，CPD算法采用期望最大化算法（EM）。

不同的变换T(y,θ)中，参数θ是不一样的。在CPD算法中，分别讨论了点集的刚性配准、仿射配准、非刚性配准三种情况。针对刚性配准情况，CPD算法为源点集和目标点集估计全局变换模型T(y_m)=sRy_m+t，该全局变换模型包括旋转R、缩放s和平移t这几个几何变换参数。目标函数的形式为：

其中R^TR=I，det(R)=1.针对仿射配准，CPD算法将空间变换模型定义为T(y_m)=By_m+t，该变换模型包括仿射变换矩阵B和平移向量t。目标函数的形式为：

其中φ(v)为平滑项约束。

算法流程 步骤一：输入两组点云包括源点云和目标点云，通过输入不同的模型选项，选择不同的变换方式（刚性变换、非刚性变换、仿射变换）来执行不同的变换； 步骤二：初始化协方差σ^2、变换参数θ； 步骤三：根据步骤二得到σ^2、θ参数以及源点集和目标点集，利用GPU并行计算高斯混合模型的后验概率矩阵P； 步骤四：利用步骤三得到的后验概率矩阵P，求解在目标函数Q(θ,σ^2)取极大值时，参数σ^2、θ的值； 步骤五：重复迭代步骤三和步骤四，直到满足退出条件，求出协方差σ^2和变换参数θ，最终得到配准的结果点集。